library(readr)
Data <- read_csv("Data.csv", show_col_types = FALSE)
View(Data)

Menampilkan Data CSV

Foto
Foto

1 Judul: Distribusi Angka Harapan Hidup

Tahapan untuk Menyusun Grafik:

1.Gunakan library ggplot2 untuk membuat visualisasi.

2.Gunakan fungsi ggplot() untuk memetakan variabel Angka_Harapan_Hidup pada sumbu X.

3.Tambahkan layer geom_histogram() untuk membuat histogram.

4.Tentukan parameter binwidth, fill, dan color untuk estetika.

5.Gunakan labs() untuk menambahkan judul dan label sumbu.

Label Sumbu:

X: Angka Harapan Hidup

Y: Frekuensi

Interpretasi Grafik: Histogram ini menunjukkan distribusi angka harapan hidup di dataset. Rentang nilai Angka_Harapan_Hidup dibagi menjadi interval dengan lebar 5. Dari grafik ini, kita dapat melihat rentang nilai yang paling sering muncul. Contoh: Jika rentang 70-75 memiliki puncak tertinggi, maka mayoritas negara memiliki angka harapan hidup di rentang tersebut.

library(ggplot2)

# Membuat histogram
ggplot(Data, aes(x = Angka_Harapan_Hidup)) +
  geom_histogram(binwidth = 5, fill = "skyblue", color = "black") +
  labs(
    title = "Distribusi Angka Harapan Hidup",
    x = "Angka Harapan Hidup",
    y = "Frekuensi"
  ) +
  theme_minimal()

2 Judul: Rata-rata Angka Harapan Hidup per Benua

Tahapan untuk Menyusun Grafik:

1 Pemetaan Data: aes(x = Benua, y = Angka_Harapan_Hidup): Memetakan Benua pada sumbu X dan Angka_Harapan_Hidup pada sumbu Y.Gunakan fill = Benua untuk memberikan warna berbeda pada setiap kategori benua.

2 Statistik: stat_summary(fun = “mean”, geom = “bar”): Menampilkan rata-rata Angka_Harapan_Hidup untuk setiap benua dalam bentuk bar.

3 Visualisasi: geom = “bar” untuk menampilkan grafik batang. width = 0.6 untuk mengatur lebar batang agar lebih rapi.

4 Label dan Judul: Gunakan labs() untuk menambahkan judul dan label sumbu yang relevan.

5 Estetika: Warna batang diatur berdasarkan benua menggunakan parameter fill. .

Label Sumbu:

X: Benua

Y: Rata-rata Angka Harapan Hidup

Interpretasi Grafik: Grafik ini menampilkan rata-rata angka harapan hidup untuk setiap benua. Perbandingan antar batang memudahkan identifikasi benua dengan angka harapan hidup tertinggi dan terendah. Contoh: Jika benua dengan batang tertinggi adalah Eropa, berarti benua ini memiliki rata-rata angka harapan hidup tertinggi dibandingkan benua lain.

ggplot(Data, aes(x = Benua, y = Angka_Harapan_Hidup, fill = Benua)) +
  stat_summary(fun = "mean", geom = "bar", width = 0.6) +
  labs(
    title = "Rata-rata Angka Harapan Hidup per Benua",
    x = "Benua",
    y = "Rata-rata Angka Harapan Hidup",
    fill = "Benua"
  ) +
  theme_minimal()

3 3D Scatter Plot: Pendapatan, Angka Harapan Hidup, dan Populasi

Penjelasan Tahapan :

  1. Menggunakan plot_ly(): x = ~Pendapatan_per_kapita: Data sumbu X adalah Pendapatan per Kapita.

y = ~Angka_Harapan_Hidup: Data sumbu Y adalah Angka Harapan Hidup.

z = ~Populasi: Data sumbu Z adalah Populasi.

color = ~Benua: Warna titik ditentukan oleh kategori benua.

  1. Interaktivitas: text: Tooltip menampilkan informasi tambahan saat titik diklik atau diarahkan dengan kursor.

Anda dapat menyertakan informasi penting seperti nama negara, populasi, dan pendapatan.

  1. Parameter Grafik: type = “scatter3d”: Menentukan tipe grafik sebagai 3D scatter plot.

mode = “markers”: Menggunakan marker (titik) untuk merepresentasikan data.

marker = list(size = 5, opacity = 0.7): Menyesuaikan ukuran dan transparansi titik.

  1. Layout: layout(): Menambahkan judul dan label pada sumbu X, Y, dan Z.

scene: Menentukan pengaturan untuk sumbu 3D.

Interpretasi Grafik: Grafik ini menunjukkan hubungan antara Pendapatan per Kapita, Angka Harapan Hidup, dan Populasi.

Sumbu X: Pendapatan per Kapita (kekayaan rata-rata per orang di suatu negara).

Sumbu Y: Angka Harapan Hidup (indikator kesehatan dan kualitas hidup).

Sumbu Z: Populasi (jumlah total penduduk negara).

Warna titik menunjukkan benua masing-masing negara, memudahkan analisis per kawasan.

suppressPackageStartupMessages(library(plotly))

fig <- plot_ly(
  data = Data,
  x = ~Pendapatan_per_kapita,
  y = ~Angka_Harapan_Hidup,
  z = ~Populasi,
  type = "scatter3d",
  mode = "markers",
  color = ~Benua,
  marker = list(size = 5, opacity = 0.7),
  text = ~paste(
    "Negara:", Negara,
    "<br>Pendapatan per Kapita:", Pendapatan_per_kapita,
    "<br>Angka Harapan Hidup:", Angka_Harapan_Hidup,
    "<br>Populasi:", Populasi
  )
)

fig <- fig %>%
  layout(
    title = "3D Scatter Plot: Pendapatan, Angka Harapan Hidup, dan Populasi",
    scene = list(
      xaxis = list(title = "Pendapatan per Kapita"),
      yaxis = list(title = "Angka Harapan Hidup"),
      zaxis = list(title = "Populasi")
    )
  )

fig
library(plotly)
options(warn = -1)

fig <- plot_ly(Data, 
               x = ~Pendapatan_per_kapita, 
               y = ~Angka_Harapan_Hidup, 
               size = ~Populasi, 
               color = ~Benua, 
               frame = ~Tahun, 
               text = ~paste("Negara:", Negara, 
                             "<br>Pendapatan:", Pendapatan_per_kapita, 
                             "<br>Harapan Hidup:", Angka_Harapan_Hidup, 
                             "<br>Populasi:", Populasi),
               type = 'scatter', 
               mode = 'markers') %>% 
  layout(title = "Perubahan Multivariat dari Tahun ke Tahun",
         xaxis = list(title = "Pendapatan Per Kapita"),
         yaxis = list(title = "Angka Harapan Hidup"))

fig

R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents (A. T. de Carvalho, Lechevallier, and Melo 2012). For more details on using R Markdown see http://rmarkdown.rstudio.com.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

Including Plots

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

Referensi

A. T. de Carvalho, Francisco de, Yves Lechevallier, and Filipe M. de Melo. 2012. “Partitioning Hard Clustering Algorithms Based on Multiple Dissimilarity Matrices.” Pattern Recognition 45 (1): 447–64. https://doi.org/10.1016/j.patcog.2011.05.016.